SIG Aplicado à Exploração Mineral

Prospectividade, Álgebra de Mapas e Modelos Preditivos
Geotecnologias e SIG

Luiz Diego Vidal Santos

Universidade Estadual de Feira de Santana (UEFS)

Visão Geral

Tópicos Principais

  • 1 Sistema mineral e o SIG como integrador
  • 2 Fontes de dados geofísicos e geoquímicos
  • 3 Sensoriamento remoto hiperespectral
  • 4 Métodos knowledge-driven (Fuzzy e AHP)
  • 5 Métodos data-driven (Pesos de Evidência)
  • 6 Modelagem preditiva e restrições ambientais

Objetivo Central

Compreender como o SIG opera como integrador de dados geológicos, geofísicos e geoquímicos na geração de mapas de prospectividade mineral, articulando modelagem probabilística com restrições socioambientais.

1 - SISTEMA MINERAL E O SIG COMO INTEGRADOR

Do depósito isolado ao sistema mineral

O conceito de sistema mineral (Wyborn et al. 1994) substituiu a análise de depósitos isolados pela modelagem integrada de processos geodinâmicos.

Componentes funcionais

Componente Função Exemplo
Fonte Reservatório de metais Magmático, sedimentar
Transporte Mobilização de solutos Fluidos hidrotermais
Armadilha Precipitação em sítios favoráveis Falha, dobra, contato

O papel do SIG

O SIG opera como integrador da infraestrutura de dados espaciais, convertendo evidências geológicas, geofísicas, geoquímicas e de sensoriamento remoto em camadas preditoras cujo cruzamento probabilístico gera mapas de favorabilidade mineral (Bonham-Carter 1994).

A viabilidade operacional reside na capacidade de gerenciar dados vetoriais e matriciais com sistemas de referência, resoluções e incertezas distintas em um único ambiente analítico.

2 - FONTES DE DADOS GEOFÍSICOS E GEOQUÍMICOS

Aeromagnetometria e gamaespectrometria

Aeromagnetometria

Revela a susceptibilidade magnética do substrato, permitindo delinear lineamentos estruturais e contatos litológicos encobertos por regolito.

Gamaespectrometria

Quantifica as razões K/Th, K/U e Th/U, cujas anomalias positivas de potássio associam-se a halos de alteração potássica diagnósticos de sistemas pórfiro-epitermais (Arai 2012).

Geoquímica e geoestatística

A análise multielementar de sedimentos de corrente identifica dispersões secundárias cuja cinética de adsorção introduz histerese espacial.

O semivariograma captura essa dependência espacial, e a krigagem ordinária fornece:

  • Superfície interpolada de concentrações
  • Mapa de variância (incerteza associada)

Conferindo ao geólogo explorador uma métrica quantitativa de confiabilidade para cada célula do modelo.

3 - SENSORIAMENTO REMOTO HIPERESPECTRAL

Resposta espectral de minerais de alteração

O sensoriamento remoto explora a resposta espectral de minerais de alteração hidrotermal para mapear zonas prospectivas.

Sensores multiespectrais (OLI/Landsat-8)

  • Banda 6 / Banda 7 - argilominerais
  • Banda 4 / Banda 2 - óxidos de ferro

Sensores hiperespectrais (AVIRIS, ASTER)

Discriminam feições de absorção diagnósticas:

Mineral Comprimento de onda
Caulinita 2,2 µm
Montmorilonita 2,2 µm (ombro a 1,9 µm)
Alunita 1,48 µm

Zonas de alteração mapeáveis

Algoritmos de desmistura espectral linear (Spectral Angle Mapper) viabilizam o mapeamento com resolução subpixel:

  • Propilítica - clorita, epidoto (periférica)
  • Argílica - caulinita, montmorilonita (intermediária)
  • Silicificada - quartzo, sílica amorfa (proximal ao minério)

A identificação dessas assinaturas direciona campanhas de campo e reduz o custo exploratório (Arai 2012).

4 - MÉTODOS KNOWLEDGE-DRIVEN

Lógica Fuzzy

Quando o número de depósitos conhecidos é insuficiente para treinamento estatístico, métodos knowledge-driven derivam pesos a partir de modelos conceituais de metalogênese.

Na modelagem difusa, cada camada de evidência é convertida em função de pertinência \(\mu(x) \in [0,1]\) e combinada pelo operador Fuzzy Gamma:

\[\mu_\gamma = (\mu_{\text{OR}})^\gamma \cdot (\mu_{\text{AND}})^{1-\gamma}\]

O parâmetro \(\gamma\) (tipicamente 0,8 a 0,95) controla o compromisso entre incremento e diminuição, mitigando a ambiguidade inerente a dados não-lineares.

Interpretação do \(\gamma\)

\(\gamma\) Efeito
0 AND puro (restritivo)
0,5 Equilíbrio
0,8-0,95 Moderadamente expansivo
1 OR puro (expansivo)

Valores altos de \(\gamma\) ampliam a área favorável, enquanto valores baixos são mais restritivos.

Processo Analítico Hierárquico (AHP)

O AHP (Saaty 1980) hierarquiza critérios por comparação pareada, gerando pesos normalizados cuja consistência é aferida pela razão de consistência:

\[CR < 0{,}10\]

Caso contrário, a matriz de julgamento deve ser reconstruída.

Escala de Saaty

Valor Significado
1 Igual importância
3 Importância moderada
5 Importância forte
7 Importância muito forte
9 Importância extrema

Exemplo de aplicação mineral

Para prospecção aurífera em terreno greenstone:

  • Estruturas (peso 0,35) - distância a falhas principais
  • Geoquímica (peso 0,25) - anomalias de Au em solo
  • Magnetometria (peso 0,20) - lineamentos magnéticos
  • Alteração (peso 0,15) - zonas de sericitização
  • Litologia (peso 0,05) - rochas hospedeiras

A análise multicritério integra camadas heterogêneas em um mapa de favorabilidade unificado.

5 - MÉTODOS DATA-DRIVEN

Pesos de Evidência (WofE)

Os Pesos de Evidência empregam o teorema de Bayes para calcular o Contraste (\(C\)) de cada classe de evidência:

\[C = W^+ - W^-\]

onde \(W^+\) e \(W^-\) representam os pesos log-lineares de presença e ausência da evidência (Bonham-Carter 1994).

Interpretação

Contraste Significado
\(C >> 0\) Forte associação com mineralização
\(C \approx 0\) Sem associação (irrelevante)
\(C < 0\) Associação negativa

Premissa de independência

A premissa de independência condicional entre camadas preditoras deve ser testada por qui-quadrado ou pelo teste de Agterberg-Cheng antes da combinação final.

A violação dessa premissa gera inflação espúria de probabilidades posteriores, comprometendo a confiabilidade do mapa de favorabilidade.

6 - MODELAGEM PREDITIVA E RESTRIÇÕES AMBIENTAIS

RNA, SVM e validação

Redes neurais artificiais (RNA) e máquinas de vetores de suporte (SVM) capturam não-linearidades complexas entre variáveis preditoras.

A área sob a curva ROC (AUC) é o indicador padrão de capacidade discriminante:

AUC Desempenho
0,50 - 0,60 Pobre
0,60 - 0,70 Razoável
0,70 - 0,85 Bom
> 0,85 Excelente

Validação cruzada espacial

A autocorrelação espacial pode inflar artificialmente métricas quando amostras vizinhas alimentam simultaneamente treino e teste.

A validação cruzada k-fold espacial garante que blocos sejam espacialmente disjuntos, conferindo generalização efetiva ao modelo (Carranza 2009).

Integração com restrições ambientais

No semiárido nordestino, a modelagem mineral enfrenta o desafio adicional de competição pelo uso da água. Cavas e beneficiamento interferem na recarga de aquíferos fraturados.

Modelo de aptidão multiobjetivo

O mapa de favorabilidade mineral deve ser cruzado com:

  • APPs (Áreas de Preservação Permanente)
  • Unidades de Conservação
  • Zonas de recarga hídrica
  • Cadastro de outorgas

Viabilidade mineral no semiárido

A viabilidade de um empreendimento mineral não é determinada exclusivamente pelo teor do minério, mas pela inteligência espacial em demonstrar que a exploração é compatível com:

  • Segurança hídrica
  • Conservação do bioma Caatinga
  • Requisitos de EIA/RIMA (CONAMA 01/1986)

O SIG converte dados multidisciplinares em modelo de aptidão que antecipa conflitos de licenciamento.

Referências

  • Arai, M. (2012). Fundamentos de Geoprocessamento e Sensoriamento Remoto Aplicados à Prospecção Mineral. UNICAMP.
  • Bonham-Carter, G. F. (1994). Geographic Information Systems for Geoscientists. Pergamon.
  • Carranza, E. J. M. (2009). Geochemical Anomaly and Mineral Prospectivity Mapping in GIS. Elsevier.
  • Saaty, T. L. (1980). The Analytic Hierarchy Process. McGraw-Hill.
  • Wyborn, L. A. I. et al. (1994). Australian Proterozoic mineral systems. Proceedings AusIMM Annual Conference, 109-115.

Obrigado!

Luiz Diego Vidal Santos

Universidade Estadual de Feira de Santana (UEFS)